廖燕玲１，韋艷玲１，覃寶勤２
（１．柳州職業技術學院電子信息工程系，廣西 柳州 ５４５００６；２．宜州市植保站，廣西 宜州 ５４６３００）
摘要：極限學習機（ＥＬＭ）學習速度快且泛化性好，極易產生惟一最優解，適用於蟲害預測。通過實情驗證，在廣西宜州三化螟蟲害預測預報中，ＥＬＭ預測精度較高，能夠滿足蟲害預測對準確率和實時性的要求，可作為一種新的蟲害預測方法。
關鍵詞 ：極限學習機（ＥＬＭ）；三化螟；預測
中圖分類號：Ｓ１２６；Ｓ４３５．１１２＋．１文獻標識碼：A文章編號：0439－８114（２０15）05－1205-03
ＤＯＩ：１０．１４０８８／ｊ．ｃｎｋｉ．ｉｓｓｎ０４３９－８１１４．２０１５．０5．０45
收稿日期：２０１４－０５－１５
基金項目：廣西教育廳科研項目（２０１０１０ＬＸ６４２）
作者簡介：廖燕玲（１９６５－），女，廣西柳州人，副教授，主要從事數據挖掘的研究工作，（電話）１３８０７７２８２１６（電子信箱）ｌｄｙ０２０＠１６３．ｃｏｍ。
廣西河池宜州地區水稻病蟲害主要是「三蟲兩病」，即三化螟、稻縱卷葉螟、稻飛虱、紋枯病、稻瘟病，在各稻作區普遍發生且較為嚴重，尤其是三化螟蟲害對水稻生產影響較大，甚至造成顆粒無收。三化螟蟲害預測預報的準確性是有效防治三化螟蟲害的前提和保證。傳統的蟲害預測預報常用的是線性方法，而在大多數情況下，預報因子與蟲害發生之間常常是非線性關係，若廣西宜州三化螟蟲害預測仍採用傳統的線性方法，則難以確保三化螟蟲害預測預報的準確性。
近年來的研究表明，人工神經網絡具有較強的非線性逼近能力，在蟲害預測中常被採用［１－３］。極限學習機，即ＥＬＭ（Ｅｘｔｒｅｍｅ Ｌｅａｒｎｉｎｇ Ｍａｃｈｉｎｅ）是一種簡潔、快速、有效的單隱層前饋神經網絡（ＳＬＦＮ）學習算法。相比較而言，傳統的神經網絡學習算法（如ＢＰ算法）需要人為設置大量的網絡訓練參數，且極易產生局部最優解，而ＥＬＭ只需要設置網絡的隱層節點個數，在算法執行過程中不需要調整網絡的輸入權值以及隱元的閾值，只產生惟一最優解，具有學習速度快且泛化性能好的優點［４］，故ＥＬＭ應用領域極其廣泛［５－８］，已取得了令人滿意的結果。為此，提出了一種基於ＥＬＭ的廣西宜州三化螟蟲害預測方法，以期為該地區三化螟蟲害的預測方法提供一定的參考。
１ 極限學習機基本原理
ＥＬＭ算法是單隱層前饋神經網絡（ＳＬＦＮ）的訓練算法。設有Ｎ個樣本（ｘｉ，ｄｉ），ｘｉ＝［ｘｉ１，ｘｉ２，…， ｘｉｍ］Ｔ∈Ｒｎ，ｄｉ＝［ｄｉ１，ｄｉ２，…，ｄiｍ］Ｔ∈Ｒｍ，Ｄ＝［ｄ１，ｄ２，…，ｄＮ］；又設隱含層有Ｌ個節點，輸入節點與第ｉ個隱層節點的連接權值為ωｉ＝［ωｉ１，ωｉ２，…，ωｉｎ］Ｔ，第ｉ個隱層節點與輸出節點的連接權值為βｉ＝［βｉ１，βｉ２，…， βｉｍ］Ｔ，ｂi是第ｉ個隱層節點的閾值，則激發函數為ｇ（ｘ）的ＥＬＭ模型的數學表示為［４］：
當激發函數ｇ（ｘ）無限可微時，輸入連接權值和隱層節點閾值，在訓練開始時可隨機選擇，且在訓練過程中固定不變。而隱層節點與輸出節點的連接權值β可通過求解線性方程組的最小二乘解來獲得，其解為。
其中H+為隱含層輸出矩陣Ｈ的Ｍｏｏｒｅ－Ｐｅｎｒｏｓｅ廣義逆矩陣，Ｄ′是Ｄ的轉置；解可使訓練誤差最小，且得到權值的最小範式以及最優泛化性能，並且具有惟一性。
ＥＬＭ在訓練的過程中不需要調整ω和ｂ的值，只需根據相應算法調整β值，便可獲得一個全局最優解，參數選擇的過程簡單易用，訓練速度提升明顯，且不會如傳統神經網絡學習算法（如ＢＰ算法）陷入局部最優。
２ 實例仿真
將上述ＥＬＭ模型應用於廣西河池宜州地區田間水稻病蟲害的預測。
２．１ 預測的樣本數據來源
實例所用的數據來自宜州市蟲情燈下誘蛾數據及田間蟲情調查，是該地區第１～９年３、５、７、９月的三化螟蟲害發生程度及相應的田間數據，３、５、７、９月的三化螟對應第１代、第２代、第３代、第４代三化螟。把第１～６年的數據作為ＥＬＭ學習樣本，第７～９年的數據作為ＥＬＭ預測樣本。
通過綜合考慮，選取上代殘蟲密度、上代燈下蛾量、平均氣溫、降雨量等４個因素作為預測的影響因子。
２．２ 蟲情等級標準
三化螟發生程度分級參照廣西農作物主要病蟲測報技術規範標準，具體見表１。由蟲害發生面積和卵密度的數據作為分級依據，把預報對象劃分為５個等級，依次為：１級，小發生；２級，中等偏輕發生； ３級，中等發生； ４級，中等偏重發生；５級，大發生。
２．３ 數據預處理
預測的影響因子數據均為數值型，但是量綱和單位存在不同，故必須對數據進行標準化處理。把影響因子數據歸一化，使其分布在區間（－１，１）內。歸一化後的部分數據如表２。
２．４ 仿真結果
選擇隱含層神經元個數為３５，隱含層神經元的激活函數為ｓｉｇ。由於宜州地區三化螟病蟲害連續９年的數據發生程度只有１級（小發生）、２級（中等偏輕發生）、３級（中等發生），所以發生程度只分為１～３級，目標輸出模式為（１００）、（０１０）、（００１），故輸出層神經元個數為３，採用ＥＬＭ預測第７～９年各代蟲害的程度。用ＥＬＭ模型得到的目標輸出中，對於每個目標輸出，當ａ是最大值時，取ａ＝１，否則ａ＝０。ＥＬＭ模型蟲害預測測試集訓練結果與預測值的對比如圖１所示，回測率和預測率均達到了１００％。預測值與模擬結果對應如表３所示。
選擇隱含層神經元個數不同，得到的結果也不相同，在２５～４５之間，回測率一般達到９７％～１００％，預測率達到９４％～１００％，隱含層神經元個數太多會使預測率呈逐步下降趨勢，隱含層神經元個數太少，回測率和預測率不高。在學習速度上，試驗基於３．０ ＧＨｚ 的雙核Ｉｎｔｅｌ處理器、２ ＧＢ內存的ＰＣ機，試驗環境為ＭＡＴＬＡＢ ２００９ａ版本，運行預測模型所花的時間為３．５３３ ５ ｓ， 滿足了蟲情預測實時性要求。
３ 小結
仿真試驗結果表明，在廣西宜州三化螟蟲害預測中採用極限學習機（ＥＬＭ）方法，在參數選擇以及學習速度上優勢明顯，準確率高，實時性強，可作為一種新的蟲害預測方法。下一步將繼續對極限學習機（ＥＬＭ）應用作深入研究，如採用優化的極限學習機［９］或引入結構風險最小化策略［１０］等，進一步提高蟲害預測的效率和準確度；同時開展廣西宜州三化螟蟲害預測軟體的研發，將極限學習機（ＥＬＭ）推廣應用到農業生產領域的其他方面，比如甘蔗種植戶信息分析模型研究等。
參考文獻：
［１］ 趙國富，趙 朋．基於ＢＰ網絡的蟲害預測預報系統的分析與實現［Ｊ］．農機化研究， ２００８（４）： １４－１７，２８．
［２］ 唐建軍，王映龍，彭瑩瓊，等．ＢＰ神經網絡在水稻病蟲害診斷中的應用研究［Ｊ］．安徽農業科學，２０１０，３８（１）：１９９－２００，２０４．
［３］ 賈花萍．農作物蟲情的模糊神經網絡預測模型［Ｊ］．浙江農業學報， ２０１３， ２５（４）： ８１９－８２２．
［４］ ＨＵＡＮＧ Ｇ Ｂ，ＺＨＵ Ｑ Ｙ，ＳＩＥＷ Ｃ Ｋ．Ｅｘｔｒｅｍｅ ｌｅａｒｎｉｎｇ ｍａｃｈｉｎｅ： Ｔｈｅｏｒｙ ａｎｄ ａｐｐｌｉｃａｔｉｏｎｓ［Ｊ］． Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ， ２００６， ７０：４８９－５０１．
［５］ 潘華賢，程國建，蔡 磊．極限學習機與支持向量機在儲層滲透率預測中的對比研究［Ｊ］．計算機工程與科學， ２０１０，３２（２）：１３１－１３３．
［６］ 黃宴委，吳登國，李 竣．基於極限學習機的結構健康監測數據恢復［Ｊ］．計算機工程，２０１１，３７（１６）：２４１－２４３．
［７］ 陳盛雙．基於極限學習機的ＸＭＬ文檔分類［Ｊ］．計算機工程，２０１１，３７（１９）：１７７－１７８，１８２．
［８］ 丁 姣，蔡建榮，張海東，等．近紅外結合Ｓｉ－ＥＬＭ檢測食醋品質指標［Ｊ］．食品與機械，２０１２，２８（１）：９３－９６．
［９］ 王 傑，畢浩洋．一種基於粒子群優化的極限學習機［Ｊ］．鄭州大學學報（理學版），２０１３，４５（１）：１００－１０４．
［１０］ 何其慧，姚登寶，王翠翠，等．基於模糊隨機樣本的結構風險最小化原則［Ｊ］．計算機工程與科學，２０１１，４７（３４）：５１－５５，１４４．
責任編輯 （王曉芳）
（１．柳州職業技術學院電子信息工程系，廣西 柳州 ５４５００６；２．宜州市植保站，廣西 宜州 ５４６３００）
摘要：極限學習機（ＥＬＭ）學習速度快且泛化性好，極易產生惟一最優解，適用於蟲害預測。通過實情驗證，在廣西宜州三化螟蟲害預測預報中，ＥＬＭ預測精度較高，能夠滿足蟲害預測對準確率和實時性的要求，可作為一種新的蟲害預測方法。
關鍵詞 ：極限學習機（ＥＬＭ）；三化螟；預測
中圖分類號：Ｓ１２６；Ｓ４３５．１１２＋．１文獻標識碼：A文章編號：0439－８114（２０15）05－1205-03
ＤＯＩ：１０．１４０８８／ｊ．ｃｎｋｉ．ｉｓｓｎ０４３９－８１１４．２０１５．０5．０45
收稿日期：２０１４－０５－１５
基金項目：廣西教育廳科研項目（２０１０１０ＬＸ６４２）
作者簡介：廖燕玲（１９６５－），女，廣西柳州人，副教授，主要從事數據挖掘的研究工作，（電話）１３８０７７２８２１６（電子信箱）ｌｄｙ０２０＠１６３．ｃｏｍ。
廣西河池宜州地區水稻病蟲害主要是「三蟲兩病」，即三化螟、稻縱卷葉螟、稻飛虱、紋枯病、稻瘟病，在各稻作區普遍發生且較為嚴重，尤其是三化螟蟲害對水稻生產影響較大，甚至造成顆粒無收。三化螟蟲害預測預報的準確性是有效防治三化螟蟲害的前提和保證。傳統的蟲害預測預報常用的是線性方法，而在大多數情況下，預報因子與蟲害發生之間常常是非線性關係，若廣西宜州三化螟蟲害預測仍採用傳統的線性方法，則難以確保三化螟蟲害預測預報的準確性。
近年來的研究表明，人工神經網絡具有較強的非線性逼近能力，在蟲害預測中常被採用［１－３］。極限學習機，即ＥＬＭ（Ｅｘｔｒｅｍｅ Ｌｅａｒｎｉｎｇ Ｍａｃｈｉｎｅ）是一種簡潔、快速、有效的單隱層前饋神經網絡（ＳＬＦＮ）學習算法。相比較而言，傳統的神經網絡學習算法（如ＢＰ算法）需要人為設置大量的網絡訓練參數，且極易產生局部最優解，而ＥＬＭ只需要設置網絡的隱層節點個數，在算法執行過程中不需要調整網絡的輸入權值以及隱元的閾值，只產生惟一最優解，具有學習速度快且泛化性能好的優點［４］，故ＥＬＭ應用領域極其廣泛［５－８］，已取得了令人滿意的結果。為此，提出了一種基於ＥＬＭ的廣西宜州三化螟蟲害預測方法，以期為該地區三化螟蟲害的預測方法提供一定的參考。
１ 極限學習機基本原理
ＥＬＭ算法是單隱層前饋神經網絡（ＳＬＦＮ）的訓練算法。設有Ｎ個樣本（ｘｉ，ｄｉ），ｘｉ＝［ｘｉ１，ｘｉ２，…， ｘｉｍ］Ｔ∈Ｒｎ，ｄｉ＝［ｄｉ１，ｄｉ２，…，ｄiｍ］Ｔ∈Ｒｍ，Ｄ＝［ｄ１，ｄ２，…，ｄＮ］；又設隱含層有Ｌ個節點，輸入節點與第ｉ個隱層節點的連接權值為ωｉ＝［ωｉ１，ωｉ２，…，ωｉｎ］Ｔ，第ｉ個隱層節點與輸出節點的連接權值為βｉ＝［βｉ１，βｉ２，…， βｉｍ］Ｔ，ｂi是第ｉ個隱層節點的閾值，則激發函數為ｇ（ｘ）的ＥＬＭ模型的數學表示為［４］：
當激發函數ｇ（ｘ）無限可微時，輸入連接權值和隱層節點閾值，在訓練開始時可隨機選擇，且在訓練過程中固定不變。而隱層節點與輸出節點的連接權值β可通過求解線性方程組的最小二乘解來獲得，其解為。
其中H+為隱含層輸出矩陣Ｈ的Ｍｏｏｒｅ－Ｐｅｎｒｏｓｅ廣義逆矩陣，Ｄ′是Ｄ的轉置；解可使訓練誤差最小，且得到權值的最小範式以及最優泛化性能，並且具有惟一性。
ＥＬＭ在訓練的過程中不需要調整ω和ｂ的值，只需根據相應算法調整β值，便可獲得一個全局最優解，參數選擇的過程簡單易用，訓練速度提升明顯，且不會如傳統神經網絡學習算法（如ＢＰ算法）陷入局部最優。
２ 實例仿真
將上述ＥＬＭ模型應用於廣西河池宜州地區田間水稻病蟲害的預測。
２．１ 預測的樣本數據來源
實例所用的數據來自宜州市蟲情燈下誘蛾數據及田間蟲情調查，是該地區第１～９年３、５、７、９月的三化螟蟲害發生程度及相應的田間數據，３、５、７、９月的三化螟對應第１代、第２代、第３代、第４代三化螟。把第１～６年的數據作為ＥＬＭ學習樣本，第７～９年的數據作為ＥＬＭ預測樣本。
通過綜合考慮，選取上代殘蟲密度、上代燈下蛾量、平均氣溫、降雨量等４個因素作為預測的影響因子。
２．２ 蟲情等級標準
三化螟發生程度分級參照廣西農作物主要病蟲測報技術規範標準，具體見表１。由蟲害發生面積和卵密度的數據作為分級依據，把預報對象劃分為５個等級，依次為：１級，小發生；２級，中等偏輕發生； ３級，中等發生； ４級，中等偏重發生；５級，大發生。
２．３ 數據預處理
預測的影響因子數據均為數值型，但是量綱和單位存在不同，故必須對數據進行標準化處理。把影響因子數據歸一化，使其分布在區間（－１，１）內。歸一化後的部分數據如表２。
２．４ 仿真結果
選擇隱含層神經元個數為３５，隱含層神經元的激活函數為ｓｉｇ。由於宜州地區三化螟病蟲害連續９年的數據發生程度只有１級（小發生）、２級（中等偏輕發生）、３級（中等發生），所以發生程度只分為１～３級，目標輸出模式為（１００）、（０１０）、（００１），故輸出層神經元個數為３，採用ＥＬＭ預測第７～９年各代蟲害的程度。用ＥＬＭ模型得到的目標輸出中，對於每個目標輸出，當ａ是最大值時，取ａ＝１，否則ａ＝０。ＥＬＭ模型蟲害預測測試集訓練結果與預測值的對比如圖１所示，回測率和預測率均達到了１００％。預測值與模擬結果對應如表３所示。
選擇隱含層神經元個數不同，得到的結果也不相同，在２５～４５之間，回測率一般達到９７％～１００％，預測率達到９４％～１００％，隱含層神經元個數太多會使預測率呈逐步下降趨勢，隱含層神經元個數太少，回測率和預測率不高。在學習速度上，試驗基於３．０ ＧＨｚ 的雙核Ｉｎｔｅｌ處理器、２ ＧＢ內存的ＰＣ機，試驗環境為ＭＡＴＬＡＢ ２００９ａ版本，運行預測模型所花的時間為３．５３３ ５ ｓ， 滿足了蟲情預測實時性要求。
３ 小結
仿真試驗結果表明，在廣西宜州三化螟蟲害預測中採用極限學習機（ＥＬＭ）方法，在參數選擇以及學習速度上優勢明顯，準確率高，實時性強，可作為一種新的蟲害預測方法。下一步將繼續對極限學習機（ＥＬＭ）應用作深入研究，如採用優化的極限學習機［９］或引入結構風險最小化策略［１０］等，進一步提高蟲害預測的效率和準確度；同時開展廣西宜州三化螟蟲害預測軟體的研發，將極限學習機（ＥＬＭ）推廣應用到農業生產領域的其他方面，比如甘蔗種植戶信息分析模型研究等。
參考文獻：
［１］ 趙國富，趙 朋．基於ＢＰ網絡的蟲害預測預報系統的分析與實現［Ｊ］．農機化研究， ２００８（４）： １４－１７，２８．
［２］ 唐建軍，王映龍，彭瑩瓊，等．ＢＰ神經網絡在水稻病蟲害診斷中的應用研究［Ｊ］．安徽農業科學，２０１０，３８（１）：１９９－２００，２０４．
［３］ 賈花萍．農作物蟲情的模糊神經網絡預測模型［Ｊ］．浙江農業學報， ２０１３， ２５（４）： ８１９－８２２．
［４］ ＨＵＡＮＧ Ｇ Ｂ，ＺＨＵ Ｑ Ｙ，ＳＩＥＷ Ｃ Ｋ．Ｅｘｔｒｅｍｅ ｌｅａｒｎｉｎｇ ｍａｃｈｉｎｅ： Ｔｈｅｏｒｙ ａｎｄ ａｐｐｌｉｃａｔｉｏｎｓ［Ｊ］． Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ， ２００６， ７０：４８９－５０１．
［５］ 潘華賢，程國建，蔡 磊．極限學習機與支持向量機在儲層滲透率預測中的對比研究［Ｊ］．計算機工程與科學， ２０１０，３２（２）：１３１－１３３．
［６］ 黃宴委，吳登國，李 竣．基於極限學習機的結構健康監測數據恢復［Ｊ］．計算機工程，２０１１，３７（１６）：２４１－２４３．
［７］ 陳盛雙．基於極限學習機的ＸＭＬ文檔分類［Ｊ］．計算機工程，２０１１，３７（１９）：１７７－１７８，１８２．
［８］ 丁 姣，蔡建榮，張海東，等．近紅外結合Ｓｉ－ＥＬＭ檢測食醋品質指標［Ｊ］．食品與機械，２０１２，２８（１）：９３－９６．
［９］ 王 傑，畢浩洋．一種基於粒子群優化的極限學習機［Ｊ］．鄭州大學學報（理學版），２０１３，４５（１）：１００－１０４．
［１０］ 何其慧，姚登寶，王翠翠，等．基於模糊隨機樣本的結構風險最小化原則［Ｊ］．計算機工程與科學，２０１１，４７（３４）：５１－５５，１４４．
責任編輯 （王曉芳）
收藏